物理AI重塑智驾

文｜谢泽锋

编辑｜杨旭然

从“看见什么做什么”到“想象接下来会发生，再主动行动”，物理AI浪潮正在重塑智能驾驶的演进路径。

年初CES上黄仁勋宣布物理AI正进入“ChatGPT时刻”的倒计时，3月份的GTC 大会，老黄又将其定义为继数字AI之后的‌下一个万亿级增长浪潮‌。

Momenta R7量产上车，宇树科技、智元机器人、优必选持续出货，标志着AI正从‌数字世界的“思考”‌（文本视频生成）转向‌物理世界的“行动”‌（机器人感知、决策、执行）的根本性跃迁。

当AI不再只是“看”世界，而是开始在数字真正的现实世界里理解物体动作和因果联系，智能驾驶行业正在经历一场从“数字AI”到“物理AI”的底层重构。

自2025年初，比亚迪发动掀桌子式的智驾价格下沉，“全民智驾”风起云涌，大幅推动了智驾技术的普及。

步入2026年，一段式端到端、VLA（视觉-语言-行动）、世界模型为代表的技术路线，正推动行业从“机器模仿人类”向“超越人类智能”驾驶模式迈进，新一轮发展周期已经开启。

本文是来自《巨潮WAVE》内容团队的深度价值文章，欢迎您多平台关注。

演进

回望历史，智能驾驶的历史演进，本质是从模块割裂到“端到端融合”、从应激反应到智能进化的技术范式革命。

20世纪初，自动驾驶概念就已出现，1925年8月，世界首辆自动驾驶汽车出现在纽约街头。到2004年，DARPA挑战赛成为行业发展史上的重要转折点。

当年3月13日，莫哈韦沙漠，由美国国防部高级研究计划局（DARPA）主办的DARPA自动驾驶汽大挑战赛正在这里举行。这是世界上首个自动驾驶汽车长距离比赛，卡内基梅隆大学、斯坦福大学、麻省理工以及大众、英特尔等15支团队参加角逐。

首届赛事没有完赛者，行驶最远的卡内基梅隆大学“红之队”才走了全程的不到5%。然而，就是这5%的距离，开启了人类对智能驾驶探索的历程。

DARPA大挑战赛随后开枝散叶，无数自动驾驶人才都是在这里展现才华后，又落到谷歌、优步、通用、福特、Waymo等企业，其中就有驭势科技CEO吴甘沙。

不过，早期的智能驾驶只能算是辅助工具，依赖规则算法与高精地图，理想甚至将其类比为“昆虫动物智能”。这种模块化割裂的设计，导致系统泛化能力孱弱，无法达到拟人化的水平；

感知、预测、决策、控制模块化分而治之的思路，逻辑性强，但传输过程不可避免产生误解和损耗。

因此，端到端方案焕发生机。

2024年3月，特斯拉在北美推送FSD V12版本，其最大的突破是将感知、决策与控制整合为单一神经网络模型，内部称为"Photon In, Control Out"，移除了30万行手写代码，用神经网络取代，实现了感知和决策规划两大模块的算法“端到端”，彻底重构了技术架构。

跟随特斯拉的脚步，国内分段式端到端在2024—2025年大规模落地，一段式端到端与VLA技术则在2025—2026年集中上车。

彼时，业内分为“一段式”和“两段式”两个流派，华为、百度Apollo、小鹏等都是两段式玩家，商汤、Momenta等则是“一段式”的拥趸。

时至今日，一段式端到端已成主流。不过早期端到端技术存在明显短板，它是一个“黑箱”，人们难以追溯其决策逻辑，事故发生后也无法快速定位问题。

为此，行业转向VLA（视觉-语言-行动模型），它实现了自动驾驶的“真”端到端。通过融合计算机视觉、自然语言处理与强化学习，构建了集环境感知、语义理解与决策执行的统一智能体，完成了从“黑箱”到“可解释大脑”的变革。

随着物理AI的到来，达到人类智能甚至“超越人类智能”成为可能。在保证高效响应的同时，物理AI让决策逻辑更具可解释性。

未来五年，VLA与世界模型这两条路线的深度融合，或将成为终极方案。L3/L4高级别乃至无人驾驶的世界即将来临。

融合

“VLA对自动驾驶是锦上添花，很难雪中送炭。”

Momenta CEO曹旭东认为VLA的训练起源于LLM，其训练侧重点（语义）与自动驾驶的实际需求存在明显偏差。这也就意味着，VLA语义的优先级远高于驾驶，陷入了“好钢没用在刀刃上”的困境。因此，Momenta坚定地选择了世界模型路线。

无独有偶，华为车BU CEO靳玉志也秉持类似的观点。他认为，VLA通过语言大模型将视觉信息转化为文本token再进行决策，看似捷径，实则无法真正理解物理世界。VLA就像“背题库的学生”，在复杂或突发场景容易失效；而世界模型虽研发难度更大，但那才是自动驾驶的终极彼岸。

华为倾向于‌WA（World-Action，世界-动作）‌路径，即跳过语言中间层，直接利用多源感知（视觉、声音、触觉等）构建理解因果逻辑的世界模型，实现更本质的自动驾驶能力。

进入2026年，特斯拉FSD V14的推出改变了行业认知，大模型能力不是在VLA和世界模型之间二选一，而是两者的深度融合。特斯拉在新版本中集成了xAI的Grok大模型，同时利用世界模型进行‌数据生成与闭环仿真‌。

行业迅速形成了一套被广泛接受的共识。黑芝麻智能CEO单记章就此得出：“VLA加上世界模型，是智能驾驶未来最有可能的技术路线，而且有机会超越人类的驾驶能力。”

如果说，端到端是技术路线，那么VLA和世界模型就是在这个路线上分出了两个不同方向上的强化，VLA增强了理解，世界模型强化了预测。

世界模型的做法是直接给汽车装上一个“智能大脑”，他能模拟物理世界的运行规律，不依赖工程师预设的规则，而是提前通过海量真实数据训练，让模型拥有理解预测物理世界的能力。

因此，VLA解决的是理解当下的问题，世界模型解决的是预测未来的难题。

时下的实际产业发展中，VLA+世界模型的融合方案成为越来越多车企的选择。小鹏曾被认为坚持VLA路线，但在CVPR 2026 大会上，小鹏通用智能中心负责人刘先明明确指出，‌VLA与世界模型并非“二选一”的相互对立关系‌，而是共同构成小鹏物理世界基座模型的两大支柱。

小鹏发布的X-Mind，正是将预测性世界模型内嵌为VLA模型的视觉思维链，让模型在输出动作之前先完成时空推演。

蔚来在1月也已将世界模型加闭环强化学习架构推送至数十万辆车，地平线在6月底发布的HSD V2.0也采用世界模型+端到端强化学习的双引擎。

可见，一种深度融合式的方案，已经在全行业铺开。

终局

越来越多的汽车和智能驾驶公司将自己定义为“物理AI企业”。

马斯克近年来一直在全球兜售他的“AI宏图”，他说，特斯拉正在从一家汽车公司转变为一家AI公司，未来的成长空间主要是自机器人、自动驾驶和AI基础设施。

李想也把理想汽车重新定位为一家人工智能企业；何小鹏将小鹏汽车的定位升级为“物理AI世界的出行探索者，面向全球的具身智能公司”；Momenta更是被称为“物理AI第一股。轻舟智航宣布战略重心从“无人驾驶”全面升级为“通用物理AI”，卓驭科技则转向“移动物理AI”，并提出“未来存活下来的智驾公司都将是物理AI公司”。

物理AI浪潮下，智能驾驶逻辑已经从价格战、堆配战转向“基模”之战。

过去汽车行业的竞争是“堆配置”，激光雷达数量、芯片算力、续航里程，比拼的是参数堆叠。而在物理AI时代，竞争逻辑变为“建底座”，谁掌握物理世界的理解与行动能力，谁就掌握价值链主导权。

甚至，世界模型让智驾、座舱和机器人以及一切智能终端走向技术融合。特斯拉用同一个基础模型驱动FSD、Optimus和智能体；用单一端到端神经网络取代模块化架构，实现从自动驾驶汽车到人形机器人Optimus的基础模型统一。

理想汽车也已将‌基座模型‌与‌VLA‌研发团队合并，以统一技术底座支撑‌智能驾驶‌、‌智能座舱‌及‌人形机器人‌三大业务线；高通把汽车与机器人放进同一个事业群。

华为ADS 5.0搭载WEWA 2.0，云端引入Multi-Agent多智能体群体博弈，让无数AI驾驶者互相博弈学习；Momenta R7世界模型已实现量产首发；蔚来NWM是中国首个智驾世界模型。

不过，目前所有的智驾系统距离真正的物理AI终极形态还相去甚远。一方面，相比大语言模型，世界模型需要巨量的真实世界数据，截至2026年5月，FSD（监督版）车队累计行驶突破‌100亿英里‌（约160亿公里），位居全球第一，而其他新势力品牌由于车辆数较少，累计里程均在数十亿公里，未来还需数据量的积累。

其次，物理AI还需高算力芯片和大规模模型训练。有消息显示，特斯拉可能握有约23万张H100等效算力；小鹏Robotaxi则瞄准了L4级无人驾驶，搭载4颗图灵AI芯片，车端算力高达3000TOPS，号称全球最强；

靳玉志此前表示，2026年华为乾崑智驾研发投入将超180亿元，未来5年将至少再砸下700亿元用于AI算力的提升，其算力规模在29个月的周期里实现了21倍增长。

随着头部智驾企业迈入物理AI赛道，算力竞赛将再上升一个台阶。

1988年．莫拉维克在其著作《智力后裔》中明阐述这样一个观点：对人类来说很难的任务（如逻辑推理、下棋），AI 反而容易完成；而对人类来说很简单的事（如走路、抓取物体），AI 却极难实现‌。

后来，这一问题被业界称为“莫拉维克悖论”，让机器人下棋、解题轻而易举，但让它像婴儿一样感知物理世界却极为困难。

现有智驾正卡在这一环节，看似智能，却缺乏最基本的物理直觉，这也是许多人不敢完全放手的核心原因。

2026年被称为“物理AI元年”，作为物理AI上半场的自动驾驶，将是车企角逐的焦点。但距离真正的智能驾驶终极形态，还有相当长的距离。